人工智能教育踐行者葉偉志：AI深度學習任重而道遠

如今的技術開發成果已經讓人印象深刻，計算機可以辨識圖片和視頻裏的東西，可以將語音轉化成為文字，其效率已經超過了人力範疇。Google也將GoogleTranslate服務中添加了神經網絡，現在的機器學習在翻譯水平上已經逐步逼近人工翻譯。現實中的一些應用也讓人大開眼界，比如計算機可以預測農田作物產量，其準確性比美國農業部還高；機器能更加精準的診斷癌症，其準確度也比從醫多年的老醫師還要高。

深度學習在當下已經成為熱詞，人工智能教育踐行者葉偉志認為雖然深度學習的成果不斷湧現，但深度學習目前還存在着很多問題，任重而道遠。

一*、現在的**機器學習缺乏交互學習的能力*

現在一個深度學習的模型，如果拿到一個新的數據集上訓練一遍，它會把原來在老數據集上訓練的東西全部忘掉。這裏需要一種學習能力是自主學習，我們需要這個機器能夠自己去尋找具有價值的一些數據和狀態。

第二種學習方式叫做交互式學習，人類在學習的時候，除了我們自己去觀察這個世界，總結規律以外，很多的學習來源於和人的交互中得到。

還有一種重要的學習方式是創造性學習，人的智力的核心是具備自己學習和自我創造的能力，現在的機器學習，在這方面非常缺乏。

二*、現在的機器**缺乏常識*

一個典型的例子是自動駕駛，學過開車的都知道，從開始學到能夠熟練的開車，可能有幾百公里的駕駛路程就可以了，谷歌的無人車到目前為止已經開了幾百萬公里，還是做不到無人完全自動駕駛。其中最主要的一個原因，它不像人類具備一些常識性的推理能力。

這導致的後果是它需要研究人員或工程師，在每一種可能遇到的路況都要做特定的處理，需要在它這幾百萬公里的數據裏面，儘量的覆蓋可能多的交通狀況和路況。即便如此，它還是不能夠保證能處理遇到的一些新路況。人類學習開車，主要學的是控制方向盤和踩油門，針對前方路況是要開過去還是減速，人類通過常識就可以做到。

三*、現在的**機器學習很難從少量的標註數據進行學習*

比如ImageNet比賽，每一幅圖，機器平均有上千個樣本來學習。而對於人類，要學習識別一個新的物體，給他看一兩眼大概就能學會了。

怎麼樣才能夠有效的利用少量的標註數據進行學習呢？其中重要的一點就是我們需要有非常好的特徵表示，好的特徵表示需要有大量的數據才能學到，而大量沒有標註的數據，則需要通過非監督的方式才能有效的把裏面的特徵表示很好的學習出來。

怎麼樣做到非監督學習呢？就是通過對未來的預測進行非監督學習。能夠對未來做出預測是智力一個非常核心的部分。物理學是對一個簡單系統比較精確的預測，而深度學習或者人的智力是對一個複雜系統近似的預測。如果我們能夠對未來進行一個比較好的預測，那就説明這個模型能夠抓住環境，以及變化的本質規律，從而能夠提取出一些比較有用的信息，這樣能夠有效的把它用於少量的標註數據的學習。

四*、現在**的很多成功應用是基於標註好的一些標註數據來學習*

對於人類來説，如果要辨別兩隻鳥，我們學習的過程就是，根據以前人類的知識，總結出兩隻鳥尾巴長短會的不同，以前的經驗還會總結出這兩種鳥的頭部斑紋的不同。人類在接受了語言的描述，知識和經驗的累積，可以非常快的學習。現在機器還沒有辦法把人通過語言來傳遞的這種知識和標註數據，有機的結合進行學習。

葉偉志，壹企問諮詢總經理，廣東天使會合夥人，人工智能企業應用專家，資深軟件開發工程師。